适应未知数: 面向零样本金融时间序列预测的鲁棒元学习
机器学习
2025-08-04 v2
摘要
金融时间序列预测在零样本设置下对于投资决策至关重要，尤其是在市场 regime 突变或缺乏历史数据的新兴市场中。虽然Model-Agnostic Meta-Learning（MAML）方法显示出前景，但现有的元任务构建策略往往对高度波动的金融序列效果不佳。为此，我们提出了一种新颖的任务构建方法，利用学习到的嵌入表示为元任务和下游预测构建有效的零样本元学习。具体而言，我们使用高斯混合模型（GMM）对嵌入进行软聚类，构建两种互补的元任务类型： intra-cluster 任务和 inter-cluster 任务。通过以概率方式将嵌入分配给多个潜在 regime，GMM实现了更丰富、更具多样性的元学习。这种双重方法确保模型能够快速适应局部模式，同时捕捉跨序列的不变特征。此外，我们通过硬任务挖掘增强了 inter-cluster 的泛化能力，该方法识别不同市场 regime 之间的鲁棒模式。我们使用来自高波动时期和多个国际市场（包括新兴市场）的真实金融数据进行了验证。结果显示，我们的方法在现有方法之上显著优越，并在零样本场景中表现出更强的泛化能力。
引用
@article{arxiv.2504.09664,
title = {Adapting to the Unknown: Robust Meta-Learning for Zero-Shot Financial Time Series Forecasting},
author = {Anxian Liu and Junying Ma and Guang Zhang},
journal= {arXiv preprint arXiv:2504.09664},
year = {2025}
}